一种具有融合超声图像的双任务深度学习模型，用于同时实现膀胱膨出的打字和分级

《International Urogynecology Journal》：A Dual-Task Deep-Learning Model with Fused Ultrasound Images for Simultaneous Typing and Grading of Cystocele

　　

摘要

引言与假设

我们开发了一个双任务深度学习模型，称为FD-Net，该模型利用融合的二维（2D）和三维（3D）超声图像同时自动化进行膀胱膨出的分类和分级，并评估了其诊断性能。

方法

我们回顾性地纳入了625名患者（467例膀胱膨出，158例正常）。该模型融合了预处理后的二维（2D，静息和Valsalva）和三维（3D，提肌裂孔）图像作为输入。基于ResNet50骨干网络，FD-Net同时完成了分类（正常、I/II/III型）和分级（正常、轻度、重度）任务。其性能与仅使用2D图像的单模模型（ST-Net进行分类，SG-Net进行分级）进行了比较。评估指标包括准确性、精确度、召回率、F1分数和接收者操作特征曲线下面积（AUC），模型比较采用了McNemar检验。

结果

在测试集（n = 188）中，与仅使用2D图像的单模模型相比，FD-Net在分类（79.68% vs ST-Net的70.05%，P = 0.023）和分级（81.38% vs SG-Net的71.28%，P = 0.006）方面表现出更高的准确性。F1分数在正常病例（从64.94%提高到85.44%）和轻度膀胱膨出病例（从57.94%提高到69.47%）中显著提高。对于其他关键类别，FD-Net在重度脱垂情况下也获得了87.50%的高F1分数，在III型情况下获得了77.08%的F1分数。所有AUC值均超过0.92。

结论

这种融合图像的双任务模型能够同时完成膀胱膨出的分类和分级，显示出比单模模型更高的诊断性能，并具有临床应用的潜力。